本文来自微信公众号： 青野有枯荣 ，作者：青野Tsingyeh，题图来自：视觉中国
7月权益市场的大幅调整伴随着“AI泡沫”辩论的激化，至今市场仍围绕“反弹还是反转”博弈不休。这早已不是市场第一次质疑“泡沫”：抛开过去两年的诸多起伏，哪怕从去年11月算起，市场也已围绕宏观冲击、债务与现金流、AI下游应用、硬件涨价持续性等等方面做过辩论和博弈。不难看到：每一次质疑，都以明确的产业进展和市场新高收尾。需要承认，7月的回撤之深让人直觉上感到担忧：纵使承认AI仍然拥有广阔终局，是不是也要关心眼前的坎？“这次不一样”究竟是产业现实还是市场叙事？……我们也看到，不少自上而下的投资者和研究者，参考历史中诸多技术革命的场景，对AI的前景提出了质疑。
我们理解方法论的差异，但也认为，任何方法论在应用前若不仔细推敲，都存在适用性风险。比如宏观研究，大量结论来自对历史的归纳，小部分是基于此的演绎。钻之弥深，研究者愈发容易在心里倾向于“历史路径的复现”，而忽视了历史场景的可比性。由此得出的“这次也一样”，未必意味着更富经验或更高明，反而可能是研究颗粒度不足，被远景的似是而非所迷惑。魔鬼在细节，而策略更需要细节：现状、路径、时点，都不能泛泛而谈。
笔者认为，AI是一轮在若干关键方面都不同于往常的技术革命，历史上很难找到一个可以直接套用的单一案例来预测AI的未来。首先，可供比较的历史案例本来不多，时间差距又动辄百年，其中时间过早的案例已缺乏可比性：除了“泡沫必破”、“人性永恒”这种慨叹之外，需要看到，早期历史中的宏观环境、货币制度、政策工具、公司治理以及信息处理和决策能力，都与今日存在很大差异，而这些恰恰是决定产业扩张和资本泡沫如何演化的关键因素。其中还要重点考虑国家竞争的背景。20世纪以后，随着现代财政能力和产业政策逐渐成熟，技术革命与国家力量的联系明显加深：在传统的技术禁运和标准竞争的干预外，国家力量进一步介入基础研究、政府采购、融资支持和基础设施建设。AI革命中国家力量介入的范围和强度尤其突出，这进一步削弱了早期历史的可比性，也意味着泡沫纵然存在，也将更加坚固。
其次，我们观察到每一轮技术革命都在创造新的能力维度，对应不同的需求空间和演化路径。过去几轮技术革命多数伴随着能源、交通和通讯三个层面的变化：第一次工业革命对应的是煤炭和蒸汽机、铁路与轮船，现代邮政和电报；第二次工业革命则对应石油、内燃机和电力，汽车和飞机，电话与无线电。第三次工业革命进行至今，电力来源变得更加多元，而半导体和计算机的出现使“算力”成为了一种地位近似于能源的基础投入；通讯领域的变革同样明显，互联网和移动通讯相继出现。对比之下，AI革命在能源、交通和通讯方面仍主要处于承接既有成果的阶段，但已然创造了一个新的革命维度：通用性的智能。它打破了人对通用智能的垄断、人类组织对生产的垄断，必将应用到更广泛的场景中去。
时至今日，已经很少有人愿意直接否定AI的终局空间。市场的短期争议在于：在前往终局的过程中是否会出现某个阶段的过剩。言下之意是，我们当前可能就面临过剩的风险。这种观点基于技术革命的“生产率J曲线”理论：通用技术出现后，初期的生产率上升将相当缓慢，甚至可能下降（尤其考虑技术导入阶段的成本），而经过一段时间改造配套投资和生产组织后，技术红利才会快速集中释放。而在这一结论的基础上，生产率和需求可以近似，于是技术进步被划分为三个大的阶段：
1.导入：CAPEX先行，需求爬升快速，总体规模不大；
2.阶段性过剩：供给扩张快于场景打开，需求仍在爬升，CAPEX增速在过剩出现后放缓；
3.高速成长：需求找到爆点、渗透率越过临界点，产业进入高速成长，CAPEX重新加速。
客观来说，这套叙事直到互联网泡沫都有很强的解释力。科网泡沫破灭的元凶，光纤和服务器都出现了大量的基建过剩（对应GLW的股价从高点回撤了接近99%，CSCO跌了近85%），直到2005年后，Facebook，Youtube等杀手级应用的出现，这些过剩的供给才逐步被消化。有这样的前车之鉴，市场很容易把“互联网路径”当作AI的参照。但实际上，AI需求爆发的节奏和强度、AI“J曲线”的形状，是互联网和此前的技术革命无法参照的。
受限于物理特性，铁路和电网都是从区域性网络起步，早期很容易出现容量不足与重复建设并存的问题；而其功能则在于大幅促进了“统一市场”，吃的是交易范围扩大和市场整合带来的红利。而AI情况完全不同：AI建立在统一市场之上、建设在互联网基础设施和互联网经济之上，其起步就超越了区域市场，处于全球市场当中。此外，企业切入电力等能源革命时，往往要做长耗时、高CAPEX的改造（从头打造适应电力的、自动化的生产线）才能够明显获益，其结果往往是重资产；但企业对AI的适应改造是轻资产的（甚至是降本的），花费集中在“部署”和流程改造上，单项任务生产率可以立即得到改善，CAPEX相对可控。
因而，AI长尾的J曲线固然前途无量，而眼前不可忽视的是，其曲线的左半段可能明显偏短：AI似乎不存在过去的技术革命中“CAPEX先行、需求滞后”的场景，Token需求的大幅扩张即是明证。我们接下来讨论几个对于AI需求非常关键的现实证据和争议点：
1.从现实看，目前没有出现基建过剩的迹象，供给瓶颈仍然凸显。目前阶段充斥着AI硬件各个环节的现实是紧缺；在大部分时间内，硬件的景气度和市场表现都高于软件。这和互联网泡沫初始阶段“基于对未来需求的预计先搞基建”和“炒应用”的特征截然不同。尽管硬件的股价在7月普遍遭遇了重挫，但市场博弈的是价格的二阶导和需求的持续性（比如存储通过长协实现了“以价换量”的效果，而其他“涨价链”更多要观察产能释放的节奏和需求）。而硬件整体紧缺的格局可能要等到27H2-28年部分环节的产能释放后，才可能出现改变迹象。但哪怕如此，我们也不能静态地假设，届时的需求仍停留在今日水平。
2.智力成本的下降将促进渗透率的提升和Token需求持续爆发。AI产业的优化持续朝着“经济价值/token*token/成本”两个比值更优化的方向迈进。目前提升得更快的是前者，即同等智能水平的成本快速下降，对应开源模型快速缩短前沿闭源模型的差距、小模型的商用价值打开。这意味着，在讨论token成本何时下降之前，首先要讨论的是由此引发Token需求的增长速度，可能明显高于供给的扩张
3.从场景看，Coding之后未必需要另一个杀手级应用接力，企业AI的扩展作为关键性场景，将扮演接力角色。“从训练到推理”伴随着B端需求的爆发，关键应用是以Codex和Claude Code为代表的Coding。市场并不否定这一需求的现实强度，但客观来说，Coding虽然带来了可观的token需求，却从不算是一个广泛的需求点。于是市场的博弈点主要在：下一个需求爆点在哪里？
互联网时代的经验表明，需求爆发往往依赖杀手级应用的出现，这是一个标准化的“超级入口”：上承无数个用户，中间是标准化功能、流程、流量，下接无数个供给。不过，AI需求的产生可能不同：智能本身是通用、高度可塑的，算力需求的爆发未必绑定某一个应用入口，而更可能来自无数关键场景中的分布式“部署”。“下一个Coding”可能是企业AI的大规模前端部署，这要求模型能力和agent能力达到门槛，同时要跑通流程和数据等诸多环节。
在美国，Palantir的业绩已经初步证明了企业AI和前端部署的商业化能力，中国的前端部署也同样在推进中，协助企业完成部署的角色将由AI lab和第三方的相互竞争，这将成为27年AI增量需求的关键。
4.而随着企业AI的加快渗透，商业应用可能呈现多点爆发的特征。市场关注点可能会从AI lab的ARR和CSP的CAPEX中扩散。需要承认，AI商业化的具体路径不易预测；它对lab和CSP的商业模式很重要，但未必需要这二者去主导发现。有一句话值得寻思，就是梁文峰的“只要奔着AGI去”，这体现了AI作为通用智能的需求特征。渗透的广泛性已经出现：AI在生物医药、科学研究、游戏等领域已经深入介入开发过程，路径已经逐步明确，只差一个触发市场情绪的里程碑催化。
在渗透的过程中，AI需求是一个自我加速的飞轮，只要承认眼下巨大的token需求是真实的，那么未来的token需求几乎是无可质疑的，“二阶导博弈”在交易节奏上可以关注，但若因此否定更底层的变化，则实属不必。此前市场关注Lab的ARR和CSP的CAPEX；未来，“能力-成本”的快速优化、开源和专用模型的扩散，会降低一两家Lab的ARR对总需求的代表性。同理，在CSP的资本开支之外，企业AI也会成为新的资本开支方向，在AI和上游硬件的需求中占比逐步扩张。
5.而从国别来看，中国的资本开支进入加速周期，还将带来明显增量。截至目前，腾讯、阿里、字节三大平台的资本开支绝对规模大约相当于美国四大平台的10%左右。这一差距主因高端算力供给有限、业务毛利率和ROIC偏低等原因（付费化低）。但可以看到的是，随着国产芯片供给增加和推理需求上升，中国厂商的资本开支正在补涨，腾讯、阿里的2026年中报都显示资本开支明显加快；在AI Lab方面，Kimi、字节、阿里明确追求更大的模型参数，GLM-5.3也验证了后训练的价值，这些迹象都表明，中国Lab不再只依赖蒸馏、小模型和工程优化追赶，也在增加对前沿能力的投入，这些都指向了中国资本开支加速的需求仍在到来。
6.更远期看，企业AI渗透率提升所带来的组织变革，以及未来递归式自我改进可能带来长尾的需求。J曲线的意义在于长尾：前文所述，AI的J曲线前端或将更短，而后端或将更陡峭、更快到来。逻辑在于：当渗透率达到某个门槛后，企业的生产组织会发生明显变化。类似电力引入之后，工业生产从照明和动力替代，进入到流水线生产的出现，带来了生产力的跃迁。类似地，AI也将从“每个岗位考虑Tokenmaxxing”的初始形态，向更加AI原生的组织形态靠拢，这种部署将带来需求飞轮的启动。此外，AI的重心将重新从推理回到训练——若递归式自我改进的路径跑通，意味着“用AI创造AI”的模式的成熟，这对于以往的工业革命而言都是里程碑事件，意味着革命推开的加速，也意味着需求本身的加速。
7.折旧首先是会计问题，但只要IRR和现金流足够，其对资本开支的影响就会弱化。市场上很多测算基于较短的折旧年限，认为AI CAPEX最终会被折旧吞噬，经济模型难以成立。但折旧只是会计的尺度，影响CAPEX更关键的变量是设备的实际使用寿命和现金流。过去服务器和加速器通常采用3到4年的折旧期，但现实是，2020年的A100仍能保持较高利用率，A、H系列二手GPU也依然紧俏。这说明其实际使用寿命和传统的代际更迭周期可能明显长于会计年限，比如延伸至6～10年。而观察IRR和现金流可以看到，截至26Q2：美国的亚马逊和中国的阿里都表明3年回本（还有DEEPSEEK内部宣称“8个月回本”）。接近30%的IRR显然是支持资本开支的证据。
在短期供需分析之上，我们最后讨论AI更终局的故事，最终业态与过去的同与不同：
1.供给端可能呈现分层的寡头垄断
供给格局最重要的特征在于集中度，“AI供给”是一个包含芯片设计、晶圆制造、HBM、互联、数据中心、云服务、模型和应用在内的多层市场。参考互联网时代的案例，电信运营商形成了区域性垄断，上游则出现分化：服务器、光纤和终端等标准化硬件走向充分竞争，高端芯片等核心环节仍然高度集中。AI的供给格局可能与此类似，但集中环节更多、纵向整合程度更高：算力中心和大模型厂商具有强规模经济，更可能形成寡头格局；高端加速器、先进制造和高速互联等核心硬件，则可能长期维持较高壁垒。在可见时间内，高端算力供给仍然偏紧，行业或许还要经历一轮CAPEX的显著加速，待到供给摆脱紧缺的状态，竞争焦点才会转向成本和质量的竞争。
2.需求端相当多样，但商业价值兑现可能长期以B端为主
回顾互联网的业态：既在B端重塑了供应链和交易效率，也在C端形成了流量经济和注意力经济，后者创造出相当多消费的新场景和形态。AI在某种程度上仍是互联网革命的延续。我们前面论述过，借助互联网时代的基础设施和AI本身的通用性，AI在B端的需求起步更快，强度更高。此前应用互联网技术最密集的零售和金融等大数据、寡头行业，也将成为AI初始的最关键客户。
然而，AI（或者说基于LLM的AI）可能在较长时间内缺乏一个占主导地位的C端经济。纯C端对模型能力的需求天花板可能不会很高，更多集中于端侧的Agent，且付费意愿未必高。而另一方面，人们的消费模式和时间已经被注意力经济所塑造，AI可能不会像互联网和移动互联一样改变人的生活方式，除非带来大量的、富裕的闲暇或明显的端侧创新。相对而言，游戏、AIGC、算法广告和定制产品等面向消费的方向可能更成熟，但仍更多是通过AI嵌入B端业务流程来实现。这也符合我们对技术进步的最终忧虑：AI解放的智力，仍更大可能通过B端“供给创造需求”的逻辑来加速。对于大部分人而言，AI并不必然带来成为创新者的机会，反而大大拉高了平庸的基础门槛，唯一也是被动的选择，就是成为消费者。从这个角度说，一个社会全力拥抱技术固然重要，但如果这种拥抱更多是基于技术民族主义的种种理由，而未能尽快构建社会压力-社会福利的转化机制，那么可能在AI时代缺乏持续增长的力量。
如果长周期的宏观确实告诉我们什么经验，那便是：技术革命是一场长跑，决胜点不只在供给端，更在需求，在一大批富有活力的消费者、一大批健康且进取的企业。一个很好的历史案例是20世纪后半叶的日本：日本在其70～80年代繁荣时期碰上了信息技术投资的热潮，其在半导体、消费电子制造等方面积累的了明显优势。但等到互联网的应用浪潮的展开，已经是2000年代后，日本企业和金融机构困于资产负债表压力，国内市场萎缩、CAPEX动力低迷，这导致日本本土在应用端逐步落伍。这一劣势带来了深远的影响，也表明：内需不足会大幅增加错过技术革命扩散的风险。尽管宏观视角很难预测产业兴衰，但是经济循环本身的节律，仍然可以预测、仍然需要尊重和应对。